%% MLP do regresji – przykład z funkcją nieliniową
% Zadanie: nauczyć sieć przewidywać wartość funkcji y = 3*sin(x)*exp(-x*2)
%           na podstawie x, przy dodanym szumie losowym.
% potrzebne toolboxy: Deep Learning Toolbox Parallel Computing Toolbox (dla uczenia z GPU)
clear; clc; rng('default');  % dla powtarzalności

%% 1. Generowanie danych
n = 500;                         % liczba próbek
X = linspace(0, 2*pi, n)';       % wejścia: x z zakresu 0 do 2π
Y = 3*sin(X).*exp(-X*2) + 0.01*randn(n,1);     % wyjścia: f(x) + szum

% Podział danych na zbiór treningowy i testowy
idx = randperm(n); 
% Tworzy losową permutację liczb całkowitych od 1 do n (czyli indeksów próbek). 
% Używamy tego, by losowo przetasować dane przed podziałem na zbiory.

nTrain = round(0.8 * n);
% Obliczamy liczbę próbek, które mają trafić do zbioru treningowego – 80% całego zbioru.

XTrain = X(idx(1:nTrain));
YTrain = Y(idx(1:nTrain));
% Tworzymy zbiór treningowy:
% - Wybieramy pierwsze 80% danych przetasowanych losowo.
% - X: wejścia (np. cechy), Y: odpowiadające wartości (etykiety lub wartości regresji)

XTest  = X(idx(nTrain+1:end));
YTest  = Y(idx(nTrain+1:end));
% Tworzymy zbiór testowy z pozostałych 20% danych (od pozycji nTrain+1 do końca).

%% 2. Definicja sieci MLP do regresji
layers = [
    featureInputLayer(1,'Name','input')       % wejście: 1 cecha (x)
    fullyConnectedLayer(20,'Name','fc1')      % warstwa ukryta: 20 neuronów
    reluLayer('Name','relu1')                 % funkcja aktywacji ReLU
    fullyConnectedLayer(6,'Name','fc2')      % druga warstwa: 10 neuronów
    sigmoidLayer('Name','sigm2')
    fullyConnectedLayer(20,'Name','fc3')      % warstwa ukryta: 20 neuronów
    reluLayer('Name','relu2')                 % funkcja aktywacji ReLU
    fullyConnectedLayer(1,'Name','output')    % wyjście: 1 neuron
    regressionLayer('Name','regression')      % warstwa do regresji
];

%% 3. Ustawienia treningu
% sgdm - uczenie gradzient + momentum
% 'ExecutionEnvironment','gpu', ...
options = trainingOptions('sgdm', ...
    'Momentum', 0.9, ...                    
    'MaxEpochs', 300, ...
    'ExecutionEnvironment','gpu', ...
    'InitialLearnRate', 0.04, ...
    'MiniBatchSize', 32, ...
    'Shuffle','every-epoch', ...
    'Plots','training-progress', ...
    'Verbose',false);

%% 4. Trenowanie sieci
net = trainNetwork(XTrain, YTrain, layers, options);

%% 5. Ewaluacja sieci
YPred = predict(net, XTest);         % przewidywane wartości na danych testowych
mseVal = mean((YPred - YTest).^2);   % średni błąd kwadratowy

fprintf("MSE na zbiorze testowym: %.4f\n", mseVal);

%% 6. Wizualizacja wyników
figure;
plot(XTest, YTest, 'ko', 'DisplayName','Rzeczywiste'); hold on;
plot(XTest, YPred, 'r*', 'DisplayName','Predykcja');
legend show; grid on;
xlabel('x'); ylabel('y');
title('MLP do regresji: Przewidywanie sin(x)');